Abstract
合成的一般化は、現代のニューラルネットワークにおける基礎的な弱点として残っており、分布外の推論を必要とする領域において、その頑健性と適用可能性を制限している。神経記号的AIにおける中心的だが検証されていない仮定は、合成的推論が、成功したシンボル・グラウンディングの副産物として出現するというものである。本研究は、グラウンディングと推論の寄与を切り離すことで、この仮定に挑む最初の体系的な実証分析を提示する。この調査を実現するために、反復論理テンソルネットワーク（iLTN）を導入する。これは、多段の演繹のために設計された完全に微分可能なアーキテクチャである。一般化のための形式的な分類法――新しい対象の探索、未観測の関係、複雑な規則合成の検出――を用いて、グラウンディング目標のみで学習したモデルが一般化に失敗することを示す。これに対し、知覚のグラウンディングと多段の推論を共同で学習した完全な iLTNは、すべての課題にわたって高いゼロショット精度を達成する。本研究の結果は、一般化にとってシンボル・グラウンディングが必要ではあるものの不十分であることを決定的に示し、推論が出現的な性質ではなく、明示的な学習目標を必要とする別個の能力であることを確立する。
